在熊猫数据框中自定义排序

Question

我有python熊猫数据框，其中一列包含月份名称。

我怎样才能做一个自定义排序使用字典，例如：

custom_dict = {'March':0, 'April':1, 'Dec':3} 

Answer 1

熊猫0.15介绍Categorical Series，它允许更清晰的方法来做到这一点：

首先使月份列为分类并指定要使用的排序。现在

In [21]: df['m'] = pd.Categorical(df['m'], ["March", "April", "Dec"]) 

In [22]: df # looks the same! 
Out[22]: 
    a b  m 
0 1 2 March 
1 5 6 Dec 
2 3 4 April 

，当你排序月份列，将排序相对于该名单：

In [23]: df.sort("m") 
Out[23]: 
    a b  m 
0 1 2 March 
2 3 4 April 
1 5 6 Dec 

注：如果值是不在列表中，它将被转换为NaN。对

---

对于那些有兴趣一位年长的答案...

您可以创建一个中介系列和set_index：

df = pd.DataFrame([[1, 2, 'March'],[5, 6, 'Dec'],[3, 4, 'April']], columns=['a','b','m']) 
s = df['m'].apply(lambda x: {'March':0, 'April':1, 'Dec':3}[x]) 
s.sort() 

In [4]: df.set_index(s.index).sort() 
Out[4]: 
    a b  m 
0 1 2 March 
1 3 4 April 
2 5 6 Dec 

---

正如评论说，在新的大熊猫，系列有一个replace方法可以更优雅地做到这一点：

s = df['m'].replace({'March':0, 'April':1, 'Dec':3}) 

稍有不同的是，如果字典外面有一个值（它会保持不变），这不会引发此问题。

Answer 2

import pandas as pd 
custom_dict = {'March':0,'April':1,'Dec':3} 

df = pd.DataFrame(...) # with columns April, March, Dec (probably alphabetically) 

df = pd.DataFrame(df, columns=sorted(custom_dict, key=custom_dict.get)) 

返回与列三月，四月一个数据帧，十二月

Answer 3

游戏有点晚了，但是这里有一种方法可以创建一个函数，使用任意函数对pandas Series，DataFrame和multiindex DataFrame对象进行排序。

我使用df.iloc[index]方法，该方法引用Series/DataFrame中按位置排序的行（与按值引用的df.loc进行比较）。利用这一点，我们就必须有一个返回一系列位置参数的函数：

def sort_pd(key=None,reverse=False,cmp=None): 
    def sorter(series): 
     series_list = list(series) 
     return [series_list.index(i) 
      for i in sorted(series_list,key=key,reverse=reverse,cmp=cmp)] 
    return sorter 

您可以使用它来创建自定义排序功能。这适用于安迪·海登的回答中使用的数据框：

df = pd.DataFrame([ 
    [1, 2, 'March'], 
    [5, 6, 'Dec'], 
    [3, 4, 'April']], 
    columns=['a','b','m']) 

custom_dict = {'March':0, 'April':1, 'Dec':3} 
sort_by_custom_dict = sort_pd(key=custom_dict.get) 

In [6]: df.iloc[sort_by_custom_dict(df['m'])] 
Out[6]: 
    a b m 
0 1 2 March 
2 3 4 April 
1 5 6 Dec 

这也适用于多指标DataFrames和Series对象：

months = ['Jan','Feb','Mar','Apr','May','Jun','Jul','Aug','Sep','Oct','Nov','Dec'] 

df = pd.DataFrame([ 
    ['New York','Mar',12714], 
    ['New York','Apr',89238], 
    ['Atlanta','Jan',8161], 
    ['Atlanta','Sep',5885], 
    ],columns=['location','month','sales']).set_index(['location','month']) 

sort_by_month = sort_pd(key=months.index) 

In [10]: df.iloc[sort_by_month(df.index.get_level_values('month'))] 
Out[10]: 
       sales 
location month 
Atlanta Jan 8161 
New York Mar 12714 
      Apr 89238 
Atlanta Sep 5885 

sort_by_last_digit = sort_pd(key=lambda x: x%10) 

In [12]: pd.Series(list(df['sales'])).iloc[sort_by_last_digit(df['sales'])] 
Out[12]: 
2 8161 
0 12714 
3 5885 
1 89238 

对我来说，这种感觉干净，但它在很大程度上使用Python操作，而不是依赖关于优化的熊猫业务。我没有做过任何压力测试，但我想这可能会在非常大的DataFrame上变慢。不确定性能如何与添加，排序和删除列相比。任何提示加快代码的提示将不胜感激！